大法官於2020年5月29日作出釋字第791號[1],宣告刑法第239條違憲,我國施行將近九十年之久的通姦罪正式走入歷史。
長久以來,通姦罪之廢除與否一直存有高度爭議性。
支持保留通姦罪者認為,通姦罪之存在有助於維護國家善良風俗,亦有宣示國家確保婚姻之制度性保障不受破壞之功能。主張廢除通姦罪論者則認為,首先綜觀國際趨勢已越來越少國家保有通姦罪,再者,就以刑罰處罰通姦行為而言本身並無應刑罰性,亦對於犯罪之阻嚇、懲戒及法益保護無實質效益,多半流為報復籌碼,更經常成為兩個女人的戰爭。婚姻關係及通姦行為,既皆屬私人間之關係,性自主權應受到個人人格權及隱私權之保障,國家更不具受強制介入主導之正當性,應回歸民法侵權賠償之私法上請求,由當事人自行解決紛爭為是,此非但為不少刑法學者所主張[2][3],亦為婦女團體長期以來之倡議[4]。
對於除罪化後的我國,除罪化所表彰的意義將如何進一步影響民事損害賠償請求金額之酌定則為所問。多數論者主張應提高賠償金額以作為除罪化之配套措施,更加填補受害配偶在刑法缺席下之損害,立法院所做之法制專題研究亦有如此之結論[5]。然除有認為應配合除罪化之評價而酌減損賠金額者,亦更有如臺灣台北地方法院109原訴字第41號民事判決認為,請求權基礎已不復存在,而無損賠可言。該審法官認為,大法官於釋字第748號解釋中既已論證說明我國憲法規範對於婚姻之保障已轉為重視婚姻關係中配偶雙方平等、個人性自主決定權等,不得再以過去因婚姻約束配偶雙方之忠誠義務而支配他方意志或自主決定之特定權利,在此等「憲法典範變遷之脈絡下,自不應承認隱含配偶為一方客體,受一方獨占、使用之『配偶權』概念」。是以「配偶權」之概念既未被肯認,則請求被告負侵權行為損害賠償責任及給付非財產上之損害賠償均屬無據,應予駁回[6]。
就過去有關賠償金額及其酌定標準之實證研究,現任最高法院法官徐昌錦(2006)認為法官酌定慰撫金時未就加害程度所造成之影響及各情況加以著墨,金額之量定亦未有明確標準,雖金額有逐年提高之趨勢,給付金額仍嫌不足,應提高通姦之損害賠償額以作為除罪化之配套措施之一[7]。近期相關研究則為林貝珍(2020)之碩士論文,同樣認為過去法院所量定之損害慰撫金金額均偏低,通姦罪除罪後應提高審定金額,以填補被害者配偶之精神上損害,並有間接抑制配偶與第三人逾越行為之用途[8]。
綜上,我們好奇的是,實務上究竟普遍如何回應司法院大法官釋字第791號的做成,其是否進一步影響請求金額之量定及其酌定金額高低之關鍵。
為研究釋字791號解釋前後,法院對於妨害配偶權之損害賠償酌定及其審酌標準之變化,本文蒐集所有2020年與妨害配偶權有關之民事判決,以量化分析之方式整理釋字791號解釋前後法院判決之描述性及推論性統計。
如下表1所示,本文參照林貝珍(2020)之研究針對妨害配偶權之判決,以文中具有「婚姻」及「配偶」及「『民法第184』或『民法第195』之聯集」之交集作為檢索條件如圖1,取得共756則裁判書。
from matplotlib_venn import venn3,venn3_circles;plt.figure(figsize=(5,4),dpi=150);a,b,c,ab,ac,bc,abc=3846,13178,15322,1784,852,2163,756;sub=(a-ab-ac+abc,b-ab-bc+abc,ab-abc,c-ac-bc+abc,ac-abc,bc-abc,abc);v=venn3(subsets=sub,set_labels=('婚姻','配偶','民法184|195'));c=venn3_circles(subsets=sub,linestyle='solid',alpha=0.5);plt.title("圖1、檢索條件之集合文氏圖");
import pandas,requests,json,bs4;inp='https://www.lawplus.com.tw/rest/search/report?querySentence="婚姻"AND("配偶"OR"配偶權身分法益")AND("民法第184"OR"民法第195")&date=2020/01/01~2020/12/31&rows=5&caseTypes=V&levels=1';ba='https://www.lawplus.com.tw/rest/search/';sea=requests.get(inp).text;s=json.loads(sea);a=s['records'];ws=[['(共'+str(a)+'則)','法院','裁判種類','案號','案由','裁判日期','金額','主文','引用條文','裁判長','書記官','原告','原告代理人','被告','被告代理人','裁判全文']];print(f'(共找到{a}則裁判書)');ps=[]
for c in s['rows']:ps.append(['https://www.lawplus.com.tw/#reportDetail?id='+c['identifier'],s['rows'][2]['content'].split()[0][:-4],c['type'],c['caseNum'],c['issue'],c['judgeDate']])
for i,l in enumerate([ca[0]for ca in ps]):rep=requests.get(ba+'report/'+l[44:]).text;r=json.loads(rep);co=bs4.BeautifulSoup('<r>'+r['response']['reportBase']['content']+'</r>','html.parser').text.replace(' ','').replace('\n',' ').replace('\r',' ');ws+=[ps[i]+[str(r['response']['report']['money']),r['response']['report']['main'].replace('\n',''),str(r['response']['report']['statute']),str(r['response']['report']['presideJudge']),str(r['response']['report']['clerk']),str(r['response']['report']['plaintiff']),str(r['response']['report']['plaintiffLawyer']),str(r['response']['report']['defendant']),str(r['response']['report']['defendantLawyer'])]+[co[i:i+49999]for i in range(0,len(co),49999)]]
dfo=pandas.DataFrame(ws);del dfo[0];dfo.columns=dfo.loc[0];dfo=dfo.drop(0);dfo
(共找到756則裁判書)
| 法院 | 裁判種類 | 案號 | 案由 | 裁判日期 | 金額 | 主文 | 引用條文 | 裁判長 | 書記官 | 原告 | 原告代理人 | 被告 | 被告代理人 | 裁判全文 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 臺灣桃園地方法院 | 民事判決 | 109,訴,2347 | 侵權行為損害賠償 | 2020/11/11 | 0 | 一、被告應給付原告新臺幣(下同)30萬元,及自民國109 年5 月22日起至清償日止,... | ['民法第184條第1項', '民法第203條', '民法第195條第1項', '民法第23... | 王婉如 | 鄔琬誼 | ['宋秀英'] | None | ['唐愛香'] | None | 臺灣新北地方法院民事判決 109年度訴字第2347號 原 告 宋秀英 被 ... |
| 2 | 臺灣桃園地方法院 | 民事判決 | 109,桃簡,1660 | 損害賠償 | 2020/12/31 | 480000 | 被告應連帶給付原告新臺幣肆拾捌萬元,及被告黃文明自民國一○九年十一月二十一日起、被告黃美麗自... | ['民法第185條第1項', '民法第184條第1項', '民法第203條', '民事訴訟法... | 郭于嘉 | 王冠雁 | ['林麗雲'] | ['鄭世脩'] | ['黃美麗', '黃文明'] | None | 臺灣桃園地方法院民事簡易判決 109年度桃簡字第1660號 原 告 林麗雲 訴訟代... |
| 3 | 臺灣桃園地方法院 | 民事判決 | 109,訴,1285 | 侵權行為損害賠償 | 2020/12/18 | 400000 | 一、被告應給付原告新臺幣肆拾萬元,及自民國一0九年八月二 十四日起至清償日止,按週年利... | ['民事訴訟法第392條第2項', '民法第184條第1項', '中華民國刑法第305條',... | 彭怡蓁 | 蕭竣升 | ['謝旻亨'] | ['蔡承學'] | ['謝承諭'] | None | 臺灣桃園地方法院民事判決 109年度訴字第1285號 原 告 謝旻亨 訴訟代... |
| 4 | 臺灣桃園地方法院 | 民事判決 | 109,板簡,2205 | 侵權行為損害賠償 | 2020/11/04 | 200000 | 被告應給付原告新臺幣貳拾萬元,及自民國一百零九年八月十一日起至清償日止,按年息百分之五計算之... | ['民法第184條第1項', '民法第195條第1項', '民法第195條第3項', '民事... | 呂安樂 | 謝淳有 | ['林逸貞'] | ['林契名'] | ['黃敏君'] | None | 臺灣新北地方法院板橋簡易庭民事判決 109年度板簡字第22... |
| 5 | 臺灣桃園地方法院 | 民事判決 | 109,訴,2350 | 侵權行為損害賠償 | 2020/11/13 | 100000 | 被告應給付原告新臺幣壹拾萬元,及自民國一百零九年九月九日起至清償日止,按週年利率百分之五計算... | ['民事訴訟法第392條第2項', '民法第184條第1項', '民法第203條', '民法... | 陳佳君 | 李淑卿 | ['柯中二'] | None | ['王福智'] | None | 臺灣新北地方法院民事判決 109年度訴字第2350號 原 告 柯中二 被 ... |
if 1:
import random;toolittle=[];a=[];b=[];c=[];sh=wb.worksheet('還沒抽ㄉ').get_all_values()
for co in set([x[4]for x in sh]):
cor=[c for c in sh if c[4]==co];l=len(cor)
if l<3:toolittle+=cor
else:ra=random.sample(cor,l);ro=round(l/3);a+=ra[:ro];b+=ra[ro:-ro];c+=ra[-ro:];
l=len(toolittle);ra=random.sample(toolittle,l);ro=round(l/3);a+=ra[:ro];b+=ra[ro:-ro];c+=ra[-ro:]
pandas.DataFrame([len(x)for x in[a,b,c]],index=['抽第一份','抽第二份','剩下第三份'],columns=['案件數']).T
| 抽第一份 | 抽第二份 | 剩下第三份 | |
|---|---|---|---|
| 案件數 | 252 | 253 | 252 |
在756則判決中,本文依各法院之比例平均抽樣為各三份如表2,而得到各252、253、252份分層抽樣之樣本。為避免標註者對於釋字791號前後之判決書有區別之標註,因此在標註後(即第四章)始區分釋字791號前後之解釋及比較。
我們為了探究不同被告的量定金額之不同,因此將不同的被告進行不同人數之區分,因此構成了96件釋憲前被告人數及199件釋憲後之被告人數,符合總和釋憲錢後之總體資料分配及時間長度之分配。
將被告展開後,以「分配判決金額、請求金額、各地法院、逾越期間(日)、逾越情狀、原告學歷、被告學歷、性交次數、婚外子女、婚姻破綻、一造辯論、被告身分(通\相)、原告性別、外遇者性別、外遇者性別、判決時間」為變項進行標註如下表。
| 變項 | 找不到就寫NA |
|---|---|
| 判決金額 | re.findall(r'給\s?付.{1,55}元',主文,re.DOTALL)/連帶賠償人數,後人工校正 |
| 請求金額 | re.findall(r'聲\s?明.{1,55}元',全文,re.DOTALL),後人工校正 |
| 各地法院 | 全文.split()[0] |
| 逾越期間 | re.findall(r'.{5}\d.{1,8}[年月日]至.{1,5}\d.{1,5}[年月日].{15}',q,re.DOTALL),後人工校正 |
| 逾越情狀 | NA=未提及;依照逾越程度而區分:0=沒有逾越情狀/1=確定性交 / 2=疑似性交 / 3=肢體接觸 / 4=調情對話+無法分類 |
| 學歷 | 0=未提及;1=6年以下;2=7-10年;3=11-15年;4=16年-17年;5=18年以上(醫學系學士計為19年) |
| 性交次數 | 依法院判決之次數(;0=無;NA=未提及 |
| 婚外子女 | 1=有;0=無 |
| 婚姻破綻 | 1=有;0=無 |
| 一造辯論 | 1=有;0=無 |
| 被告身分 | 1=外遇者;0=第三者 |
| 原告性別 | 1=男;0=女;NA=無法判斷 |
| 被告・外遇者性別(配偶) | 1=男;0=女;NA=無法判斷 |
| 被告・第三者性別(外遇對象) | 1=男;0=女;NA=無法判斷 |
以「分配判決金額、請求金額、各地法院、逾越期間(日)、逾越情狀、原告學歷、被告學歷、性交次數、婚外子女、婚姻破綻、一造辯論、被告身分(通\相)、原告性別、外遇者性別、第三者性別、判決時間」為變項進行標註後之成果如下表,其中標註99x及NaN之空值將於統計中標為空值,並於決策樹中標為-1。
import google,gspread,pandas;google.colab.auth.authenticate_user();gc=gspread.authorize(google.auth.default()[0]);wb=gc.open_by_key('1C0jhdhAB3eqmSlGyFwe45_HHIAXWTBVcq3tTYMdj1sk');google.colab.output.clear();st=wb.worksheet('前處理後');dfa=pandas.DataFrame(st.get_all_values());del dfa[0];dfa.columns=dfa.loc[0];dfa=dfa.drop(0);dfa
| 被告姓名稱呼 | 案號 | 分配判決金額 | 請求金額 | 各地法院 | 逾越期間(日) | 逾越情狀 | 原告學歷 | 被告學歷 | 性交次數 | 婚外子女 | 婚姻破綻 | 一造辯論 | 被告身分(通\相) | 原告性別 | 通姦人性別 | 相姦人性別 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 張合儀 | 109花簡127 | 300000 | 500000 | 臺灣花蓮地方法院民事判決 | 2 | 999 | 999 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | |
| 2 | 宋美月 | 109花簡326 | 300000 | 500000 | 臺灣花蓮地方法院民事判決 | 1 | 3 | 2 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | |
| 3 | 王筱喬 | 109訴91 | 20000 | 1000000 | 臺灣臺南地方法院民事判決 | 3 | 3 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | |
| 4 | 李慧如 | 109重訴343 | 1250000 | 10000000 | 臺灣臺南地方法院民事判決 | 1 | 5 | 3 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | |
| 5 | 王文哲 | 109重訴343 | 1250000 | 10000000 | 臺灣臺南地方法院民事判決 | 1 | 5 | 5 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 295 | 林君蓁 | 109羅簡52 | 100000 | 500000 | 臺灣宜蘭地方法院民事簡易判決 | 2 | 999 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | |
| 296 | 陳銥臻 | 109基小2346 | 100000 | 100000 | 臺灣基隆地方法院基隆簡易庭小額民事判決 | 2 | 999 | 999 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | |
| 297 | 洪基城(配偶) | 108潮簡711 | 25000 | 500000 | 臺灣屏東地方法院簡易民事判決 | 2 | 3 | 3 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | |
| 298 | 王雅琴 | 108潮簡711 | 25000 | 500000 | 臺灣屏東地方法院簡易民事判決 | 2 | 3 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | |
| 299 | 唐顏 | 108店簡1531 | 50000 | 500000 | 臺灣臺北地方法院簡易民事判決 | 3 | 3 | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
299 rows × 17 columns
!wget -O TaipeiSansTCBeta-Regular.ttf https://drive.google.com/uc?id=1eGAsTN1HBpJAkeVM57_C7ccp7hbgSz3_&export=download
import google,gspread,pandas,numpy,matplotlib;import matplotlib.pyplot as plt;from statsmodels.formula.api import ols;google.colab.auth.authenticate_user();gc=gspread.authorize(google.auth.default()[0]);wb=gc.open_by_key('1C0jhdhAB3eqmSlGyFwe45_HHIAXWTBVcq3tTYMdj1sk');matplotlib.font_manager.fontManager.addfont('TaipeiSansTCBeta-Regular.ttf');matplotlib.rc('font',family='Taipei Sans TC Beta');google.colab.output.clear();st=wb.worksheet('釋憲前');df=pandas.DataFrame(st.get_all_values());del df[0];df.columns=df.loc[0];前=df.drop(0);st=wb.worksheet('釋憲後');df=pandas.DataFrame(st.get_all_values());del df[0];df.columns=df.loc[0];後=df.drop(0)
%matplotlib inline
for 時 in 前,後:
for k in 時:
try:時.loc[:,k]=pandas.to_numeric(時[k])
except:pass
for 名 in ['逾越情狀','原告學歷','被告學歷','被告身分','原告性別','外遇者性別','第三者性別','性交次數']:
時[名]=時[名].apply(lambda x:numpy.nan if x>990 else x)
def ra(x,n='888',y='分配判決金額'):lm=ols(y+"~"+x,前).fit();print(f'表{n}、釋憲前{x}對{y}迴歸簡表\n\nR平方={lm.rsquared}\n校正R平方={lm.rsquared_adj}\n{lm.summary().tables[1].as_text().replace(x+" "*len(x),x)}\n在{"%.2f"%(100-100*lm.pvalues[1])}%信心水準下,具{"%.2f"%(100*lm.rsquared_adj)}%可解釋力,可成立:{y}={"%.2f"%float(pandas.read_html(lm.summary().tables[1].as_html())[0][1][2])}{x}+{"%.2f"%float(pandas.read_html(lm.summary().tables[1].as_html())[0][1][1])}\n\n\n');lm=ols(y+"~"+x,後).fit();print(f'表{n+1}、釋憲後{x}對{y}迴歸簡表\n\nR平方={lm.rsquared}\n校正R平方={lm.rsquared_adj}\n{lm.summary().tables[1].as_text().replace(x+" "*len(x),x)}\n在{"%.2f"%(100-100*lm.pvalues[1])}%信心水準下,具{"%.2f"%(100*lm.rsquared_adj)}%可解釋力,可成立:{y}={"%.2f"%float(pandas.read_html(lm.summary().tables[1].as_html())[0][1][2])}{x}+{"%.2f"%float(pandas.read_html(lm.summary().tables[1].as_html())[0][1][1])}\n\n\n')
時
| 被告姓名稱呼 | 案號 | 分配判決金額 | 請求金額 | 各地法院 | 逾越期間 | 逾越情狀 | 原告學歷 | 被告學歷 | 性交次數 | 婚外子女 | 婚姻破綻 | 一造辯論 | 被告身分 | 原告性別 | 外遇者性別 | 第三者性別 | 判決時間 | 刑事判決 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 張合儀 | 109花簡127 | 300000 | 500000 | 臺灣花蓮地方法院民事判決 | NaN | 2.0 | NaN | NaN | 0 | 0 | 0 | 0 | 0.0 | 0.0 | 1.0 | 0.0 | 2020/08/25 | 0 |
| 2 | 宋美月 | 109花簡326 | 300000 | 500000 | 臺灣花蓮地方法院民事判決 | NaN | 1.0 | 3.0 | 2.0 | 1 | 0 | 0 | 0 | 0.0 | 0.0 | 1.0 | 0.0 | 2020/10/29 | 0 |
| 3 | 李慧如 | 109重訴343 | 1250000 | 10000000 | 臺灣臺南地方法院民事判決 | NaN | 1.0 | 5.0 | 3.0 | 1 | 0 | 0 | 0 | 0.0 | 0.0 | 1.0 | 0.0 | 2020/12/30 | 0 |
| 4 | 王文哲 | 109重訴343 | 1250000 | 10000000 | 臺灣臺南地方法院民事判決 | NaN | 1.0 | 5.0 | 5.0 | 1 | 0 | 0 | 0 | 1.0 | 0.0 | 1.0 | 0.0 | 2020/12/30 | 0 |
| 5 | 陳信仲 | 109訴583 | 300000 | 3000000 | 臺灣臺南地方法院民事判決 | 92.0 | 1.0 | 4.0 | 5.0 | 5 | 0 | 0 | 0 | 0.0 | 1.0 | 0.0 | 1.0 | 2020/08/07 | 0 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 195 | 徐子淇 | 109訴2096 | 0 | 2000000 | 臺灣士林地方法院民事裁定 | NaN | NaN | NaN | NaN | 0 | 0 | 0 | 0 | 0.0 | 0.0 | 1.0 | 0.0 | 2020/12/25 | 0 |
| 196 | 孫祥恩(配偶) | 109訴2096 | 0 | 2000000 | 臺灣士林地方法院民事裁定 | NaN | NaN | NaN | NaN | 0 | 0 | 0 | 0 | 1.0 | 0.0 | 1.0 | 0.0 | 2020/12/25 | 0 |
| 197 | 林俐伶 | 109雄小3059 | 0 | 100000 | 臺灣高雄地方法院小額民事判決 | NaN | 0.0 | NaN | NaN | 0 | 0 | 0 | 0 | 0.0 | 0.0 | 1.0 | 0.0 | 2020/12/10 | 0 |
| 198 | 林君蓁 | 109羅簡52 | 100000 | 500000 | 臺灣宜蘭地方法院民事簡易判決 | NaN | 2.0 | NaN | 3.0 | 0 | 0 | 0 | 0 | 0.0 | 0.0 | 1.0 | 0.0 | 2020/06/23 | 0 |
| 199 | 陳銥臻 | 109基小2346 | 100000 | 100000 | 臺灣基隆地方法院基隆簡易庭小額民事判決 | NaN | 2.0 | NaN | NaN | 0 | 0 | 0 | 0 | 0.0 | 0.0 | 1.0 | 0.0 | 2020/10/20 | 0 |
199 rows × 19 columns
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
for 圖 in 左,右:
間距=[5,10,15,20,25,30,35,40,45,50,55,60,65,70,75,80,85,90,95,100,9999] ;i=0;分佈=[];w=0
數字=D[圖].分配判決金額/10000
for j,n in enumerate(sorted(數字)):
while n>間距[i]:分佈+=[j-w];w=j;i+=1
分佈+=[len(數字)-w]
分佈=[a/sum(分佈)for a in 分佈]
底=[f'{([0]+間距)[i]}至{間距[i]}萬' for i in range(len(間距))]
圖.bar(底,分佈,bottom=None)
圖.set_xticklabels(底,rotation=90)
圖.set_ylabel('%百分比(依被告人數)')
圖.set_yticklabels([f'{int(i*100)}' for i in 圖.get_yticks()])
fig.suptitle('圖2、慰撫金量定金額之分區長條圖')
左.set_title("釋憲前")
右.set_title("釋憲後");
就本文所分析之資料而言,針對法院的慰撫金量定數額來看,釋憲前平均為15.9萬,釋憲後平均為18.9萬,就件數來看則多集中在0-10萬元之間。
就本文所分析之釋憲前之資料則與林貝珍(2021)之資料比較有較大之差異,林貝珍(2021)之資料平均為27.4萬、最多之量定金額落在20萬,而本文分析之結果平均為15.9萬,最常見的量定金額則是落在5萬以下。
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
fig.suptitle('大標題')
for 圖 in 左,右:
間距=[30,40,50,60,70,80,90,100,150,200,250,300,500,9999] ;i=0;分佈=[];w=0
數字=D[圖].請求金額/10000
for j,n in enumerate(sorted(數字)):
while n>間距[i]:分佈+=[j-w];w=j;i+=1
分佈+=[len(數字)-w]
分佈=[a/sum(分佈)for a in 分佈]
底=[f'{([0]+間距)[i]}至{間距[i]}萬' for i in range(len(間距))]
圖.bar(底,分佈,bottom=None)
圖.set_xticklabels(底,rotation=90)
圖.set_ylabel('%百分比(依被告人數)')
圖.set_yticklabels([f'{int(i*100)}' for i in 圖.get_yticks()])
fig.suptitle('圖3、慰撫金請求金額之分區長條圖')
左.set_title("釋憲前")
右.set_title("釋憲後");
請求金額部分,釋憲前請求金額之平均數為109.2萬,而釋憲後請求金額之平均數為110.6萬。件數部分釋憲前與釋憲後請求90-100萬者最多。與林貝珍(2021)之資料比較差異並不大。
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
for 圖 in 左,右:
比例=D[圖].分配判決金額/D[圖].請求金額
間距=[0,.1,.2,.3,.4,.5,.9,1] ;i=0;分佈=[];w=0
for j,n in enumerate(sorted(比例)):
while n>間距[i]:分佈+=[j-w];w=j;i+=1
分佈+=[len(比例)-w]
底=[f'{int(([0]+間距)[i]*100)}-{int(間距[i]*100)}%' for i in range(len(間距))]
圖.pie(分佈,autopct='%1.2f%%',startangle=90,labels=底);
fig.suptitle('圖4、慰撫金請求金額與量定金額比例圖')
左.set_title("釋憲前")
右.set_title("釋憲後");
就侵害配偶權慰輔金與判決量定金額之比例而言,釋憲前實際量定金額佔請求金額1成之比例最高,有34.38%,而釋憲後占1成之比例下降,占3成之比例上升7%。
print('表6、量定金額與請求金額平均數')
if 1:
表=[];行=[]
for 時 in 前,後:全部=[時.分配判決金額[i]for i in 時.T]; 行+=[sum(全部)/len(全部)]
表+=[行];行=[]
for 時 in 前,後:全部=[時.請求金額[i]for i in 時.T]; 行+=[sum(全部)/len(全部)]
表+=[行];
pandas.DataFrame(表,index=['量定金額','請求金額'],columns=['釋憲前','釋憲後']).round(2)
表6、量定金額與請求金額平均數
| 釋憲前 | 釋憲後 | |
|---|---|---|
| 量定金額 | 159895.83 | 194195.98 |
| 請求金額 | 1080208.33 | 1079967.84 |
在95.1%信心水準下,以3%的可解釋力,
ra('請求金額',7)
表7、釋憲前請求金額對分配判決金額迴歸簡表
R平方=0.04060146859153613
校正R平方=0.030395101236126876
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.278e+05 2.45e+04 5.212 0.000 7.91e+04 1.76e+05
請求金額 0.0297 0.015 1.995 0.049 0.000 0.059
==============================================================================
在95.10%信心水準下,具3.04%可解釋力,可成立:分配判決金額=0.03請求金額+127800.00
表8、釋憲後請求金額對分配判決金額迴歸簡表
R平方=0.31332115765178636
校正R平方=0.3098354782490036
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 9.299e+04 1.58e+04 5.893 0.000 6.19e+04 1.24e+05
請求金額 0.0937 0.010 9.481 0.000 0.074 0.113
==============================================================================
在100.00%信心水準下,具30.98%可解釋力,可成立:分配判決金額=0.09請求金額+92990.00
就外遇者、第三者法院之量定金額比較,整體而言對於外遇者之請求金額都較第三者低,但量定金額部分卻都較第三者高。
本報告以下進行之迴歸分析,設定P值小於0.05時為顯著,而r平方數值為決定係數,校正後的r平方可以避免因增加自變量而高估R平方。因此,本文以下皆採用校正後的r平方去解釋迴歸模型。
如同表7、表8所示,將請求金額和量定金額做迴歸分析後發現,釋憲前、後請求金額均可以有效預測量定金額,且請求金額每增加一單位,分配判決金額就會增加0.0931單位。
而表7、表8的迴歸模型對預測結果的可解釋程度為30%。
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
for 圖 in 左,右:
分佈=D[圖].被告身分.value_counts()
圖.pie(分佈,autopct='%1.2f%%',startangle=90,labels=['第三者','外遇者','分不出來'][:len(分佈)])
fig.suptitle('圖5、慰撫金請求之被告身分分佈比例圖')
左.set_title("釋憲前")
右.set_title("釋憲後");
原告對於第三者提起訴訟,佔所有訴訟的65%,釋憲前後並無顯著變化。
print('表9、外遇者與第三者慰撫金平均數')
表=[]
for 身分 in 0,1:
行=[]
for 時 in 前,後:全部=[時.分配判決金額[i]for i in 時.T if 時.被告身分[i]==身分]; 行+=[sum(全部)/len(全部)]
表+=[行]
pandas.DataFrame(表,index=['外遇者','第三者'],columns=['釋憲前','釋憲後']).round(2)
表9、外遇者與第三者慰撫金平均數
| 釋憲前 | 釋憲後 | |
|---|---|---|
| 外遇者 | 175846.15 | 204545.45 |
| 第三者 | 126451.61 | 172578.12 |
女男=['#F7ABD5','#D2EFFB','#555555'];fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
for 圖 in 左,右:
分佈=D[圖].原告性別.value_counts()
圖.pie(分佈,autopct='%1.2f%%',startangle=90,labels=['女性','男性','分不出來QQ'][:len(分佈)],colors=女男[:len(分佈)]);
fig.suptitle('圖6、原告性別分佈圓餅圖')
左.set_title("釋憲前")
右.set_title("釋憲後");
ra('原告性別',10)
表10、釋憲前原告性別對分配判決金額迴歸簡表
R平方=0.008155018306273076
校正R平方=-0.002396524052170834
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.479e+05 2.32e+04 6.376 0.000 1.02e+05 1.94e+05
原告性別 3.479e+04 3.96e+04 0.879 0.382 -4.38e+04 1.13e+05
==============================================================================
在61.84%信心水準下,具-0.24%可解釋力,可成立:分配判決金額=34790.00原告性別+147900.00
表11、釋憲後原告性別對分配判決金額迴歸簡表
R平方=0.02484317857972662
校正R平方=0.019790552562005015
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 2.181e+05 1.81e+04 12.067 0.000 1.82e+05 2.54e+05
原告性別 -6.419e+04 2.89e+04 -2.217 0.028 -1.21e+05 -7093.961
==============================================================================
在97.22%信心水準下,具1.98%可解釋力,可成立:分配判決金額=-64190.00原告性別+218100.00
原告為女性居多,在釋憲前後,皆大約佔6成。並無顯著變化。 釋憲前、後,原告性別均無法有效預測量定金額。
如同表10、表11所示,釋憲前,原告性別無法有效預測量定金額;而釋憲後,原告性別則可以有效預測量定金額。而表11迴歸模型對預測結果的可解釋程度為1.9%。
女男=['#F7ABD5','#D2EFFB','#555555'];fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
for 圖 in 左,右:
分佈=D[圖].第三者性別.value_counts()
圖.pie(分佈,autopct='%1.2f%%',startangle=90,labels=['女性','男性','分不出來QQ'][:len(分佈)],colors=女男[:len(分佈)]);
fig.suptitle('圖7、第三者性別分佈圓餅圖')
左.set_title("釋憲前")
右.set_title("釋憲後");
ra('第三者性別',12)
表12、釋憲前第三者性別對分配判決金額迴歸簡表
R平方=0.006814899796257268
校正R平方=-0.0037508991420804882
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.487e+05 2.34e+04 6.354 0.000 1.02e+05 1.95e+05
第三者性別 3.158e+04 3.93e+04 0.803 0.424 -4.65e+04 1.1e+05
==============================================================================
在57.61%信心水準下,具-0.38%可解釋力,可成立:分配判決金額=31580.00第三者性別+148700.00
表13、釋憲後第三者性別對分配判決金額迴歸簡表
R平方=0.02484317857972662
校正R平方=0.019790552562005015
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 2.181e+05 1.81e+04 12.067 0.000 1.82e+05 2.54e+05
第三者性別 -6.419e+04 2.89e+04 -2.217 0.028 -1.21e+05 -7093.961
==============================================================================
在97.22%信心水準下,具1.98%可解釋力,可成立:分配判決金額=-64190.00第三者性別+218100.00
第三者為女性居多,在釋憲前後,皆大約佔6成。並無顯著變化。 釋憲前後,第三者性別無法有效預測量定金額分佈。
如表12、表13所示,釋憲前,第三者性別無法有效預測量定金額;釋憲後,第三者性別則可以有效預測量定金額。
表12之迴歸模型對預測結果的可解釋程度為1.9%。
男女=['#D2EFFB','#F7ABD5','#555555'];fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
for 圖 in 左,右:
分佈=D[圖].外遇者性別.value_counts()
圖.pie(分佈,autopct='%1.2f%%',startangle=90,labels=['男性','女性','分不出來QQ'][:len(分佈)],colors=男女[:len(分佈)]);
fig.suptitle('圖8、外遇者性別分佈圓餅圖')
左.set_title("釋憲前")
右.set_title("釋憲後");
ra('外遇者性別',14)
表14、釋憲前外遇者性別對分配判決金額迴歸簡表
R平方=0.00681489979625749
校正R平方=-0.003750899142080266
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.803e+05 3.16e+04 5.705 0.000 1.18e+05 2.43e+05
外遇者性別 -3.158e+04 3.93e+04 -0.803 0.424 -1.1e+05 4.65e+04
==============================================================================
在57.61%信心水準下,具-0.38%可解釋力,可成立:分配判決金額=-31580.00外遇者性別+180300.00
表15、釋憲後外遇者性別對分配判決金額迴歸簡表
R平方=0.024843178579726732
校正R平方=0.019790552562005126
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.539e+05 2.26e+04 6.805 0.000 1.09e+05 1.98e+05
外遇者性別 6.419e+04 2.89e+04 2.217 0.028 7093.961 1.21e+05
==============================================================================
在97.22%信心水準下,具1.98%可解釋力,可成立:分配判決金額=64190.00外遇者性別+153900.00
:外遇者為男性居多,在釋憲前後,皆大約佔6成。並無顯著變化。 釋憲前後,外遇者身分無法有效解釋量定金額分佈。
如表14、表15所示,釋憲前,外遇者性別無法有效預測量定金額;釋憲後,外遇者性別則可以有效預測量定金額。
表15之迴歸模型對預測結果的可解釋程度為1.9%。
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
for 圖 in 左,右:圖.pie([D[圖].逾越情狀.value_counts()[l] for l in [0,1,2,3,4]],autopct='%1.2f%%',startangle=90,labels=['沒有','確定性交','疑似性交','肢體接觸','調情對話']);
fig.suptitle('圖9、逾越情狀圓餅圖')
左.set_title("釋憲前")
右.set_title("釋憲後");
將逾越情狀依照侵害配偶權的程度高低,區分成為確定通姦、疑似通姦、肢體接觸、調情對話,4種型態。依照法院心證所認定的結果,去觀察比例分佈。
西元2020年5月月29日,大法官釋字第第791號解釋將通姦罪除罪化。解釋公布之前,法院認定的逾越情狀以「疑似通姦」的比例最高,「確定通姦」次之,兩者皆為35%上下,差異不大。
解釋公布之後,「確定通姦」之比例上升為約46%,「疑似通姦」之比例下降為約26%。
解釋前和解釋後,「確定通姦」和「疑似通姦」之比例相加,大概占據總量的的7成左右,為最多的項目。「肢體接觸」、「調情對話」的比例皆呈現相似的比例分佈,在此不贅述。
推測在通姦罪除罪化之後,原告無法利用法院的刑事訴訟程序直接收集相關證據,因此傾向收集到更多證據證明確定有通姦後,才會起訴。
| 逾越程度 | 詳細情狀 |
|---|---|
| 確定通姦 | 性交、口交 |
| 疑似通姦 | 猥褻、衣衫不整 |
| 同居、居家共處、開房、過夜、出國、出國 | |
| 敏感照(裸照/性器照)、涉性照/涉性影片影片 | |
| 涉性對話 | |
| 肢體接觸 | 牽手、肢體接觸、親吻 |
| 調情對話 | 調情對話 |
| 其他常見情狀 | 過去性交 |
| 公開貼文、公開逾越、與他方家人密切互動家人密切互動 | |
| 約會出遊、深夜獨處 | |
| 親密交往合照 | |
| 其他特殊情狀 | 拍攝婚紗照、求婚、舉行婚禮、舉行婚禮 |
| 居處有他方之生活用品 | |
| 經濟援助、頻繁送禮 | |
| 重要節日互贈卡片、慶祝生日 |
print('表17、逾越情狀之慰撫金平均數')
表=[]
for 情狀 in 0,1,2,3,4:
行=[]
for 時 in 前,後:全部=[時.分配判決金額[i]for i in 時.T if 時.逾越情狀[i]==情狀]; 行+=[sum(全部)/len(全部)]
表+=[行]
pandas.DataFrame(表,index='沒有逾越情狀 確定性交 疑似性交 肢體接觸 調情對話'.split(),columns=['釋憲前','釋憲後']).round(2)
表17、逾越情狀之慰撫金平均數
| 釋憲前 | 釋憲後 | |
|---|---|---|
| 沒有逾越情狀 | 0.00 | 0.00 |
| 確定性交 | 273636.36 | 258406.59 |
| 疑似性交 | 157352.94 | 220384.62 |
| 肢體接觸 | 71111.11 | 75238.10 |
| 調情對話 | 41250.00 | 139333.33 |
法院所量定之金額,大致上依照行為侵害配偶權之程度高低分佈。釋憲前後之分佈金額
確定通姦、肢體接觸之平均金額在釋憲前後,差異不大。
疑似通姦之平均金額在釋憲後大幅增加,推測與刑事犯罪除罪化有關。在無法利用檢警力量去追查真實時,法官可能傾向給予較多的慰撫金。
ra('逾越情狀',18)
表18、釋憲前逾越情狀對分配判決金額迴歸簡表
R平方=0.019084383552009254
校正R平方=0.00864911103660504
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.99e+05 3.44e+04 5.778 0.000 1.31e+05 2.67e+05
逾越情狀 -2.347e+04 1.74e+04 -1.352 0.180 -5.79e+04 1.1e+04
==============================================================================
在82.05%信心水準下,具0.86%可解釋力,可成立:分配判決金額=-23470.00逾越情狀+199000.00
表19、釋憲後逾越情狀對分配判決金額迴歸簡表
R平方=0.006214420542171917
校正R平方=0.001091814462492402
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 2.214e+05 2.61e+04 8.478 0.000 1.7e+05 2.73e+05
逾越情狀 -1.492e+04 1.35e+04 -1.101 0.272 -4.16e+04 1.18e+04
==============================================================================
在72.79%信心水準下,具0.11%可解釋力,可成立:分配判決金額=-14920.00逾越情狀+221400.00
表18、表19所示,釋憲前,逾越情狀無法有效預測量定金額;釋憲後,逾越情狀仍無法有效預測量定金額。
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
for 圖 in 左,右:
數字們=D[圖].逾越期間;
間距=[7,14,21,30,60,90,120,150,180,365,540,730,1095,9999];i=0;分佈=[];w=0
for j,n in enumerate(sorted(數字們.dropna())):
while n>間距[i]:分佈+=[j-w];w=j;i+=1
分佈+=[len(數字們.dropna())-w]
分佈=[a/sum(分佈)for a in 分佈]
底=['一週以內','一至二週','二至三週','三至四周','一至二個月','二至三月','三至四月','四至五月','五至半年','半至一年','一至一年半','一年半至兩年','兩至三年','三年以上']
圖.barh(底,分佈)
圖.set_xticklabels([f'{int(i*100)}' for i in 圖.get_xticks()])
圖.set_xlabel('%百分比(依被告人數)')
fig.suptitle('圖10、逾越期間長條圖')
左.set_title("釋憲前")
右.set_title("釋憲後");
ra('逾越期間',20)
表20、釋憲前逾越期間對分配判決金額迴歸簡表
R平方=0.04676315391621044
校正R平方=0.016013578236088177
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.639e+05 5.52e+04 2.968 0.006 5.13e+04 2.77e+05
逾越期間 160.7720 130.370 1.233 0.227 -105.120 426.664
==============================================================================
在77.32%信心水準下,具1.60%可解釋力,可成立:分配判決金額=160.77逾越期間+163900.00
表21、釋憲後逾越期間對分配判決金額迴歸簡表
R平方=0.011035727073195778
校正R平方=-0.005176801991177982
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 2.394e+05 2.85e+04 8.400 0.000 1.82e+05 2.96e+05
逾越期間 44.1657 53.532 0.825 0.413 -62.877 151.209
==============================================================================
在58.74%信心水準下,具-0.52%可解釋力,可成立:分配判決金額=44.17逾越期間+239400.00
表20、表21所示,釋憲前,逾越期間無法有效預測量定金額;釋憲後,逾越期間仍無法有效預測量定金額。
print('表22、逾越期間之慰撫金平均數')
表=[]
for 時 in 前,後:
行=[]
for 間距 in [(0,31),(30,365),(364,730),(731,9999)]:
全部=[時.分配判決金額[i]for i in 時.T if 間距[0]<時.逾越期間[i]<間距[1]]
行+=[sum(全部)/len(全部)]
表+=[行]
pandas.DataFrame(表,columns=['一月以下','一月至一年','一至二年','兩年以上'],index=['釋憲前','釋憲後']).round(2).T
表22、逾越期間之慰撫金平均數
| 釋憲前 | 釋憲後 | |
|---|---|---|
| 一月以下 | 121666.67 | 172631.58 |
| 一月至一年 | 166000.00 | 293593.75 |
| 一至二年 | 540000.00 | 280000.00 |
| 兩年以上 | 500000.00 | 296000.00 |
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
for 圖 in 左,右:
數字們=D[圖].性交次數
圖.hist(數字們,bins=50)
圖.set_xlabel('性交次數(次)')
圖.set_ylabel('案件人數(人)')
fig.suptitle('圖11、性交次數直方圖')
左.set_title("釋憲前")
右.set_title("釋憲後");
print('表23、性交次數之慰撫金平均數')
表=[]#
for 時 in 前,後:
行=[]
for 間距 in [(-1,1),(0,4),(3,11),(10,9999)]:
全部=[時.分配判決金額[i]for i in 時.T if 間距[0]<時.性交次數[i]<間距[1]]
行+=[sum(全部)/len(全部)]
表+=[行]
pandas.DataFrame(表,columns=['沒有','五次以下','五至廿次','廿次以上'],index=['釋憲前','釋憲後']).round(2).T
表23、性交次數之慰撫金平均數
| 釋憲前 | 釋憲後 | |
|---|---|---|
| 沒有 | 100317.46 | 132358.49 |
| 五次以下 | 272068.97 | 271716.42 |
| 五至廿次 | 313333.33 | 230000.00 |
| 廿次以上 | 200000.00 | 277777.78 |
就釋憲前之資料分析,本文發現「無發生性交行為」及「有發生性交行為」,法院之量定金額有顯著差異,若有發生性交行為,量定金額較無發生性交行為高;惟就「性交次數」而言,次數越多法院之量定金額卻沒有隨之增加。
相較貝珍的論文結果(性交次數越多、法院量定金額越高)
ra('性交次數',24)
表24、釋憲前性交次數對分配判決金額迴歸簡表
R平方=0.0024635882286662136
校正R平方=-0.008148501258262941
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.586e+05 1.9e+04 8.337 0.000 1.21e+05 1.96e+05
性交次數 466.4409 968.084 0.482 0.631 -1455.713 2388.594
==============================================================================
在36.89%信心水準下,具-0.81%可解釋力,可成立:分配判決金額=466.44性交次數+158600.00
表25、釋憲後性交次數對分配判決金額迴歸簡表
R平方=0.022083634961991616
校正R平方=0.01711959249986983
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.837e+05 1.47e+04 12.474 0.000 1.55e+05 2.13e+05
性交次數 4824.9265 2287.564 2.109 0.036 313.670 9336.183
==============================================================================
在96.38%信心水準下,具1.71%可解釋力,可成立:分配判決金額=4824.93性交次數+183700.00
表24、表25所示,釋憲前,性交次數無法有效預測量定金額;釋憲後,性交次數可以有效預測量定金額。
表25之迴歸模型對預測結果的可解釋程度為1.7%。
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
for 圖 in 左,右:
分佈=D[圖].婚外子女.value_counts()
圖.pie(分佈,autopct='%1.2f%%',startangle=90,labels=['沒有','有','空格','三個這是標錯了吧'][:len(分佈)]);
fig.suptitle('圖12、婚外子女圓餅圖')
左.set_title("釋憲前")
右.set_title("釋憲後");
print('表26、婚外子女之慰撫金平均數')
表=[]
for 有無 in 0,1:
行=[]
for 時 in 前,後:全部=[時.分配判決金額[i]for i in 時.T if 時.婚外子女[i]==有無]; 行+=[sum(全部)/len(全部)]
表+=[行]
pandas.DataFrame(表,index=['無','有'],columns=['釋憲前','釋憲後']).round(2)
表26、婚外子女之慰撫金平均數
| 釋憲前 | 釋憲後 | |
|---|---|---|
| 無 | 145113.64 | 191524.06 |
| 有 | 322500.00 | 235833.33 |
婚外子女之存在是否會造成當事人之身分權侵害更為嚴重,而使慰輔金之量定金額變高?本文分析之結果發現,婚外子女之存在,於釋憲前後,有婚外子女時之量定金額均較無婚外子女高。
ra('婚外子女',27)
表27、釋憲前婚外子女對分配判決金額迴歸簡表
R平方=0.0717886225544554
校正R平方=0.06191403343269419
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.451e+05 1.9e+04 7.641 0.000 1.07e+05 1.83e+05
婚外子女 1.774e+05 6.58e+04 2.696 0.008 4.68e+04 3.08e+05
==============================================================================
在99.17%信心水準下,具6.19%可解釋力,可成立:分配判決金額=177400.00婚外子女+145100.00
表28、釋憲後婚外子女對分配判決金額迴歸簡表
R平方=0.002870012200287264
校正R平方=-0.0021915613418430624
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.915e+05 1.44e+04 13.255 0.000 1.63e+05 2.2e+05
婚外子女 4.431e+04 5.88e+04 0.753 0.452 -7.17e+04 1.6e+05
==============================================================================
在54.77%信心水準下,具-0.22%可解釋力,可成立:分配判決金額=44310.00婚外子女+191500.00
表27、表28所示,釋憲前,婚外子女可以有效預測量定金額;釋憲後,婚外子女則無法有效預測量定金額。
表27之迴歸模型對預測結果的可解釋程度為6.1%。
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
for 圖 in 左,右:
圖.pie(D[圖].婚姻破綻.value_counts(),autopct='%1.2f%%',startangle=90,labels=['無破綻','有破綻']);
fig.suptitle('圖13、婚姻破綻圓餅圖')
左.set_title("釋憲前")
右.set_title("釋憲後");
print('表29、婚姻破綻之慰撫金平均數')
表=[]
for 有無 in 0,1:
行=[]
for 時 in 前,後:全部=[時.分配判決金額[i]for i in 時.T if 時.婚姻破綻[i]==有無]; 行+=[sum(全部)/len(全部)]
表+=[行]
pandas.DataFrame(表,index=['無','有'],columns=['釋憲前','釋憲後']).round(2)
表29、婚姻破綻之慰撫金平均數
| 釋憲前 | 釋憲後 | |
|---|---|---|
| 無 | 161363.64 | 184494.38 |
| 有 | 153947.37 | 276428.57 |
ra('婚姻破綻',30)
表30、釋憲前婚姻破綻對分配判決金額迴歸簡表
R平方=0.00026077001360491625
校正R平方=-0.010374753709654572
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.614e+05 2.11e+04 7.658 0.000 1.2e+05 2.03e+05
婚姻破綻 -7416.2679 4.74e+04 -0.157 0.876 -1.01e+05 8.66e+04
==============================================================================
在12.41%信心水準下,具-1.04%可解釋力,可成立:分配判決金額=-7416.27婚姻破綻+161400.00
表31、釋憲後婚姻破綻對分配判決金額迴歸簡表
R平方=0.020580935713732207
校正R平方=0.01560926533664464
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.845e+05 1.47e+04 12.569 0.000 1.56e+05 2.13e+05
婚姻破綻 9.193e+04 4.52e+04 2.035 0.043 2825.517 1.81e+05
==============================================================================
在95.68%信心水準下,具1.56%可解釋力,可成立:分配判決金額=91930.00婚姻破綻+184500.00
若當事人於訴訟中有主張婚姻破綻,則是否會因為受侵害之程度較低,而使得法院之量定金額較低?於釋憲前,有無主張婚姻破綻單就法院之量定金額並無顯著差異 ;而於釋憲後,無主張婚姻破綻比有主張之量定金額較低,似乎婚姻破綻之有無對於法院量定金額並無影響。就法院判決書觀之,當被告主張婚姻破綻時,法院大多僅表示婚姻破綻並不影響侵權行為之成立,而在量定金額之判斷上,多僅提及學歷、雙方收入等因素進行酌定,並不會特別審酌婚姻破綻之因素。
表30、表31所示,釋憲前,婚姻破綻無法有效預測量定金額;釋憲後,婚姻破綻可以有效預測量定金額。
表31之迴歸模型對預測結果的可解釋程度為1.5%。
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
for 圖 in 左,右:
x='原告 被告 外遇者 第三者'.split();層=[];底=pandas.array([0,0,0,0])
for 學歷 in 1,2,3,4,5:
y=[len([i for i in D[圖].T if D[圖].原告學歷[i]==學歷]),len([i for i in D[圖].T if D[圖].被告學歷[i]==學歷]),len([i for i in D[圖].T if D[圖].被告學歷[i]==學歷 and D[圖].被告身分[i]==1]),len([i for i in D[圖].T if D[圖].被告學歷[i]==學歷 and D[圖].被告身分[i]==0])]
y=pandas.array(y)/len(D[圖])/2
層+=[圖.bar(x,y,.5,bottom=底,alpha=.8)]
底+=pandas.array(y)
圖.legend(層,['國小','國中','高中','大學','菸酒所']);
圖.set_xlabel('身分')
圖.set_ylabel('%百分比(依被告人數)')
圖.set_yticklabels([f'{int(i*100)}' for i in 圖.get_yticks()])
fig.suptitle('圖14、學歷分佈堆疊長條圖')
左.set_title("釋憲前")
右.set_title("釋憲後");
| 學歷 | 教育年數 | 學歷類別 |
|---|---|---|
| 國小 | 6年 | 國小(含以下)= 教育年數6年以下 |
| 國中 | 9年 | 國中 = 教育年數7-10年 |
| 高中、高職 | 12年 | 高中職/專科 = 教育年數11-15年 |
| 職業學校、師範學院、餐旅學院 | 12年 | |
| 專科(包括農專、工專、商專、藝專、體專、護專)、護校護校 | 14年 | |
| 二專、五專 | 14年 | |
| 警察專科學校專科警員班 | 14年 | |
| 大學 | 16年 | 大學 = 教育年數16年 |
| 四技、技術學院 | 16年 | |
| 空中大學、警察大學 | 16年 | |
| 憲兵學校軍官班、空軍官校專科班、陸軍後勤技術訓練班 | 16年 | |
| 碩士 | 18年 | 研究所(碩博士)= 教育年數18/21年 |
| 博士 | 21年 | |
| 其他特殊情形: | 依上述教育年數對應 | |
| 餐旅科系 | 12年 | |
| 外語學院、戲曲學院 | 16年 | |
| 國小未畢業,有上補校 | 6年 | |
| 畢業於日本專門學校 | 13年 |
由於本研究係要對照釋憲前後法官判決之慰撫金金額是否有所變化,因此學歷分類之判斷標準參照林貝珍學姊於論文中整理出來的計算標準。以上表格參照林貝珍製作於第45頁之表格。(林貝珍,2021))
學歷係指當事人之最高學歷,肄業不算入。將學歷轉換成相應教育年數,再進行分類。
print('表33、原告、外遇者與第三者之學歷各組別之慰撫金平均數')
表=[list('釋憲之前 ')]
for 時 in 前,後:
for 身分 in '時.原告學歷[i]==學歷','時.被告學歷[i]==學歷','時.被告學歷[i]==學歷 and 時.被告身分[i]==1','時.被告學歷[i]==學歷 and 時.被告身分[i]==0':
行=[]
for 學歷 in 1,2,3,4,5:
全部=[時.分配判決金額[i] for i in 時.T if eval(身分)];
平均=sum(全部)/len(全部)if len(全部)>0else'沒人'
行+=[平均]
表+=[行]
表+=['釋憲之後 ']
pandas.DataFrame(表[:-1],index=(['']+x)*2,columns=['國小','國中','高中','大學','菸酒所']).round(2).T
表33、原告、外遇者與第三者之學歷各組別之慰撫金平均數
| 原告 | 被告 | 外遇者 | 第三者 | 原告 | 被告 | 外遇者 | 第三者 | |||
|---|---|---|---|---|---|---|---|---|---|---|
| 國小 | 釋 | 沒人 | 30000.0 | 沒人 | 30000.0 | 釋 | 72500.0 | 175000.0 | 沒人 | 175000.0 |
| 國中 | 憲 | 110000.0 | 169166.666667 | 60000.0 | 191000.0 | 憲 | 206000.0 | 174411.764706 | 101000.0 | 205000.0 |
| 高中 | 之 | 137812.5 | 125166.666667 | 121818.181818 | 127105.263158 | 之 | 155000.0 | 215384.615385 | 170833.333333 | 235156.25 |
| 大學 | 前 | 162857.142857 | 175000.0 | 164285.714286 | 181818.181818 | 後 | 224259.259259 | 234166.666667 | 180000.0 | 245000.0 |
| 菸酒所 | 222500.0 | 37500.0 | 沒人 | 37500.0 | 375000.0 | 421428.571429 | 550000.0 | 325000.0 |
ra('原告學歷',34)
表34、釋憲前原告學歷對分配判決金額迴歸簡表
R平方=0.02935304886990109
校正R平方=0.012617756609037412
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 3.752e+04 8.73e+04 0.430 0.669 -1.37e+05 2.12e+05
原告學歷 3.3e+04 2.49e+04 1.324 0.191 -1.69e+04 8.29e+04
==============================================================================
在80.94%信心水準下,具1.26%可解釋力,可成立:分配判決金額=33000.00原告學歷+37520.00
表35、釋憲後原告學歷對分配判決金額迴歸簡表
R平方=0.09484742504145705
校正R平方=0.08730448691680259
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept -7091.8694 6.39e+04 -0.111 0.912 -1.34e+05 1.2e+05
原告學歷 6.227e+04 1.76e+04 3.546 0.001 2.75e+04 9.7e+04
==============================================================================
在99.94%信心水準下,具8.73%可解釋力,可成立:分配判決金額=62270.00原告學歷+-7091.87
ra('被告學歷',36)
表36、釋憲前被告學歷對分配判決金額迴歸簡表
R平方=0.0021624259754337016
校正R平方=-0.015980075370467306
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.155e+05 7.53e+04 1.534 0.131 -3.54e+04 2.66e+05
被告學歷 7799.0302 2.26e+04 0.345 0.731 -3.75e+04 5.31e+04
==============================================================================
在26.88%信心水準下,具-1.60%可解釋力,可成立:分配判決金額=7799.03被告學歷+115500.00
表37、釋憲後被告學歷對分配判決金額迴歸簡表
R平方=0.05335350855468968
校正R平方=0.044422881276903636
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 6.037e+04 7.04e+04 0.857 0.393 -7.92e+04 2e+05
被告學歷 5.179e+04 2.12e+04 2.444 0.016 9780.371 9.38e+04
==============================================================================
在98.38%信心水準下,具4.44%可解釋力,可成立:分配判決金額=51790.00被告學歷+60370.00
表34、35、36、表37所示,釋憲前,學歷無法有效預測量定金額;釋憲後,原告學歷可以有效預測量定金額、被告學歷則無法有效預測量定金額。
表35之迴歸模型原告學歷對預測結果的可解釋程度為8.7%。
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(30,15);fig.set_dpi(70);D={左:前,右:後};import seaborn as sns
for 圖 in 左,右:
corr=D[圖].corr()
mask = numpy.zeros_like(corr)
mask[numpy.triu_indices_from(mask)] = True
sns.heatmap(corr,ax=圖,linewidths=0.1, square=True, cmap="seismic", linecolor='white', annot=True,mask=mask,cbar=False)
fig.suptitle('圖15、釋憲前後之共線圖',size=30)
左.set_title("釋憲前",size=30)
右.set_title("釋憲後",size=30);
共線性中,原告性別、外遇者性別、第三者性別,由於外遇情狀以異性戀為主,這三個變項達到高度相關,因此會使迴歸估計不準確。因此,我們把外遇者性別、第三者性別抽掉,以去掉對量定金額的不當影響。
from statsmodels.formula.api import ols;X='請求金額+原告性別+性交次數+婚外子女+婚姻破綻'
lm=ols("分配判決金額~"+X,前).fit();sm=lm.summary().tables[1].as_text()
for x in X.split('+'):sm=sm.replace(x+' '*len(x),x)
print(f'表38、釋憲前對量定金額多元迴歸簡表\n\nR平方={lm.rsquared}\n校正R平方={lm.rsquared_adj}\n\n{sm}\n\n\n')
lm=ols("分配判決金額~"+X,後).fit();sm=lm.summary().tables[1].as_text()
for x in X.split('+'):sm=sm.replace(x+' '*len(x),x)
print(f'表39、釋憲後對量定金額多元迴歸簡表\n\nR平方={lm.rsquared}\n校正R平方={lm.rsquared_adj}\n\n{sm}\n\n\n')
表38、釋憲前對量定金額多元迴歸簡表
R平方=0.11352036917711283
校正R平方=0.06427150079806354
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 1.124e+05 2.73e+04 4.114 0.000 5.81e+04 1.67e+05
請求金額 0.0227 0.016 1.435 0.155 -0.009 0.054
原告性別 3.85e+04 3.99e+04 0.965 0.337 -4.07e+04 1.18e+05
性交次數 521.5866 937.712 0.556 0.579 -1341.341 2384.514
婚外子女 1.721e+05 6.78e+04 2.539 0.013 3.74e+04 3.07e+05
婚姻破綻 -3.043e+04 4.73e+04 -0.643 0.522 -1.24e+05 6.36e+04
==============================================================================
表39、釋憲後對量定金額多元迴歸簡表
R平方=0.37384851227466065
校正R平方=0.35728365810203255
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 9.178e+04 1.93e+04 4.765 0.000 5.38e+04 1.3e+05
請求金額 0.0930 0.010 9.577 0.000 0.074 0.112
原告性別 -4.932e+04 2.35e+04 -2.095 0.037 -9.58e+04 -2885.003
性交次數 3884.3357 1888.734 2.057 0.041 158.629 7610.043
婚外子女 2.564e+04 4.77e+04 0.538 0.591 -6.84e+04 1.2e+05
婚姻破綻 1.017e+05 3.72e+04 2.733 0.007 2.83e+04 1.75e+05
==============================================================================
表38、表39所示,將前述可以有效預測量定金額之變項進行多元迴歸分析,釋憲前,僅有婚外子女可以有效預測量定金額;釋憲後,請求金額、原告性別、性交次數及婚姻破綻可以有效預測量定金額。
表38之迴歸模型對預測結果的可解釋程度為6.4%;表39之迴歸模型對預測結果的可解釋程度為35%。
from statsmodels.formula.api import ols;X='分配判決金額+原告性別+性交次數+婚外子女+婚姻破綻'
lm=ols("請求金額~"+X,前).fit();sm=lm.summary().tables[1].as_text()
for x in X.split('+'):sm=sm.replace(x+' '*len(x),x)
print(f'表40、釋憲前對請求金額多元迴歸簡表\n\nR平方={lm.rsquared}\n校正R平方={lm.rsquared_adj}\n\n{sm}\n\n\n')
lm=ols("請求金額~"+X,後).fit();sm=lm.summary().tables[1].as_text()
for x in X.split('+'):sm=sm.replace(x+' '*len(x),x)
print(f'表41、釋憲後對請求金額多元迴歸簡表\n\nR平方={lm.rsquared}\n校正R平方={lm.rsquared_adj}\n\n{sm}\n\n\n')
表40、釋憲前對請求金額多元迴歸簡表
R平方=0.16449815366340637
校正R平方=0.1180813844224845
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 5.151e+05 1.88e+05 2.737 0.007 1.41e+05 8.89e+05
分配判決金額 0.9838 0.686 1.435 0.155 -0.378 2.346
原告性別 5.518e+05 2.57e+05 2.145 0.035 4.06e+04 1.06e+06
性交次數 2480.9316 6173.812 0.402 0.689 -9784.423 1.47e+04
婚外子女 6.598e+05 4.56e+05 1.446 0.152 -2.47e+05 1.57e+06
婚姻破綻 7.907e+05 3.01e+05 2.629 0.010 1.93e+05 1.39e+06
==============================================================================
表41、釋憲後對請求金額多元迴歸簡表
R平方=0.3345825607900834
校正R平方=0.31697892483214907
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 4.401e+05 1.21e+05 3.632 0.000 2.01e+05 6.79e+05
分配判決金額 3.5139 0.367 9.577 0.000 2.790 4.238
原告性別 4.56e+04 1.46e+05 0.312 0.756 -2.43e+05 3.34e+05
性交次數 -8434.5193 1.17e+04 -0.719 0.473 -3.16e+04 1.47e+04
婚外子女 6.735e+04 2.93e+05 0.230 0.819 -5.11e+05 6.46e+05
婚姻破綻 -4.725e+05 2.31e+05 -2.048 0.042 -9.28e+05 -1.74e+04
==============================================================================
如同表40、表41所示,釋憲前,原告性別與婚姻破綻可以有效預測慰撫金之請求金額;而釋憲後,僅有婚姻破綻可以有效預測請求金額。
表40之迴歸模型對預測結果的可解釋程度為11%;表41之迴歸模型對預測結果的可解釋程度為31%
from sklearn import tree;import graphviz;
def ft(s,a):x=str(s);B=x.find(a);E=x.find('\\',B+1);return float(x[B+len(a):E])
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(10,3);fig.set_dpi(150);D={左:前,右:後};表=[]
fig.suptitle('圖16、迴歸樹')
for 圖 in 左,右:
抽=D[圖]
for 雜訊 in '被告姓名稱呼 案號 各地法院 判決時間'.split():抽=抽.drop(columns=[雜訊])
X=抽.T.fillna(-3)[1:].T
y=抽.分配判決金額
classifier = tree.DecisionTreeRegressor(max_depth=4,criterion="absolute_error")
classifier = classifier.fit(X,y)
fig=plt.figure(figsize=(20,10));
tr=tree.plot_tree(classifier,feature_names=抽.keys()[1:],class_names=["沒超過平均", "超過平均"],filled=True,fontsize=5,rounded=True,max_depth=2,ax=圖)
''' for l in -1,0,1,2:
if l<0:t=tr[0];行=[ft(t,'absolute_error = ')*ft(t,'samples = ')/len(抽)];continue
gini=0
for t in tr[1:]:
if t.xy[1]*10==9-2*l:gini+=ft(t,'absolute_error = ')*ft(t,'samples = ')/len(抽)
行+=[gini]
表+=[行]
pandas.DataFrame(表,columns=[f'第{l}層影響力'for l in (1,2,3,4)],index=['釋憲前','釋憲後']).T '''
左.set_title("釋憲前")
右.set_title("釋憲後");
<Figure size 1440x720 with 0 Axes>
<Figure size 1440x720 with 0 Axes>
from sklearn.model_selection import train_test_split
抽=前
for 雜訊 in '被告姓名稱呼 案號 各地法院 判決時間'.split():抽=抽.drop(columns=[雜訊])
X=抽.T.fillna(-3)[1:].T
y=抽.分配判決金額
hi=[0,''];前趨勢=[]
for i in range(100):
tX,qX,ty,qy=train_test_split(X,y,test_size=0.3)
model=tree.DecisionTreeRegressor(max_depth=3)
model.fit(tX,ty)
吻=model.score(qX,qy)
前趨勢+=[吻]
if 吻>hi[0]:hi=[吻,tree.export_graphviz(model,feature_names=抽.keys()[1:],class_names=["沒超過平均", "超過平均"],filled=True,rounded=True,max_depth=2)]
print('釋憲前最高吻合率為:',hi[0],'\n\n圖17、釋憲前迴歸樹訓練模型');graphviz.Source(hi[1])
釋憲前最高吻合率為: 0.6625432240148048 圖17、釋憲前迴歸樹訓練模型
如圖17,釋憲前之迴歸樹首先考量之因素為性交次數,若性交次數為0,則再考慮逾越期間,且若逾越期間小於244天,則量定金額會落在69285-117261間,若逾越期間大於244天,則量定金額會落在117261-357412間;若性交次數大於1,則接下來會考慮請求金額,若請求金額小於225萬,則量定金額會落在243181-265000間,若請求金額大於225萬,則量定金額會落在265000-425000間。
抽=後
for 雜訊 in '被告姓名稱呼 案號 各地法院 判決時間'.split():抽=抽.drop(columns=[雜訊])
X=抽.T.fillna(-3)[1:].T
y=抽.分配判決金額
hi=[0,''];後趨勢=[]
for i in range(100):
tX,qX,ty,qy=train_test_split(X,y,test_size=0.3)
model=tree.DecisionTreeRegressor(max_depth=3)
model.fit(tX,ty)
吻=model.score(qX,qy)
後趨勢+=[吻]
if 吻>hi[0]:hi=[吻,tree.export_graphviz(model,feature_names=抽.keys()[1:],class_names=["沒超過平均", "超過平均"],filled=True,rounded=True,max_depth=2)]
print('釋憲後最高吻合率為:',hi[0],'\n\n圖18、釋憲後迴歸樹訓練模型');graphviz.Source(hi[1])
釋憲後最高吻合率為: 0.6541118031782769 圖18、釋憲後迴歸樹訓練模型
如圖18所示,釋憲後迴歸樹分析,首先考量之因素為請求金額,若請求金額小於350萬,則再考量逾越情狀,若只要有逾越情狀,則量定金額會落在184111-208865之間;若請求金額大於350萬,接下來會考量性交次數,若無性交則量定金額會落在633333-787500之間,若有性交,則量定金額會落在787500-1250000間。
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);表=[]
fig.suptitle('圖19、隨機森林趨勢圖')
左.plot(range(100),sorted(前趨勢));
右.plot(range(100),sorted(後趨勢));
左.set_title("釋憲前")
右.set_title("釋憲後");
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後}
fig.suptitle('圖20、迴歸樹隨機森林各因素平均貢獻度')
for 向 in 左,右:
抽=D[向];行=[]
for 雜訊 in '被告姓名稱呼 案號 各地法院 判決時間'.split():抽=抽.drop(columns=[雜訊])
X=抽.T.fillna(-3)[1:].T
y=抽.分配判決金額
classifier = tree.DecisionTreeRegressor(max_depth=4)
classifier = classifier.fit(X,y)
fig=plt.figure(figsize=(20,10));
tr=tree.plot_tree(classifier,feature_names=抽.keys()[1:],class_names=["沒超過平均", "超過平均"],filled=True,fontsize=5,rounded=True,ax=圖);
for x in 抽.keys()[1:]:
gini=[]
for t in tr:
if x in str(t):gini+=[ft(t,'squared_error = ')*ft(t,'samples = ')/len(抽)]
行+=[sum(gini)/len(gini)if len(gini)>0 else 0]
向.barh(抽.keys()[1:],行)
左.set_title("釋憲前")
右.set_title("釋憲後");
<Figure size 1440x720 with 0 Axes>
<Figure size 1440x720 with 0 Axes>
如圖19、圖20所示之隨機森林分佈圖及各因素之貢獻度,釋憲前性交次數為重要之影響因素,而釋憲後,請求金額、性交次數為重要影響因素。
from sklearn import tree;import graphviz;
def ft(s,a):x=str(s);B=x.find(a);E=x.find('\\',B+1);return float(x[B+len(a):E])
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);D={左:前,右:後};表=[]
fig.suptitle('圖21、決策樹')
for 圖 in 左,右:
抽=D[圖]
for 雜訊 in '被告姓名稱呼 案號 各地法院 判決時間'.split():抽=抽.drop(columns=[雜訊])
X=抽.T.fillna(-3)[1:].T
y=抽.分配判決金額>sum(抽.分配判決金額)/len(抽.分配判決金額)
classifier = tree.DecisionTreeClassifier(max_depth=2)
classifier = classifier.fit(X,y)
fig=plt.figure(figsize=(20,10));
tr=tree.plot_tree(classifier,feature_names=抽.keys()[1:],class_names=["沒超過平均", "超過平均"],filled=True,fontsize=5,rounded=True,max_depth=2,ax=圖);
''' for l in -1,0,1,2:
if l<0:t=tr[0];行=[1-ft(t,'gini = ')*ft(t,'samples = ')/len(抽)];continue
gini=0
for t in tr[1:]:
if t.xy[1]*10==9-2*l:gini+=ft(t,'gini = ')*ft(t,'samples = ')/len(抽)
行+=[1-gini]
表+=[行]
pandas.DataFrame(表,columns=[f'第{l}層可解釋率'for l in (1,2,3,4)],index=['釋憲前','釋憲後']).T''';pass
左.set_title("釋憲前")
右.set_title("釋憲後");
<Figure size 1440x720 with 0 Axes>
<Figure size 1440x720 with 0 Axes>
from sklearn.model_selection import train_test_split
抽=前
for 雜訊 in '被告姓名稱呼 案號 各地法院 判決時間'.split():抽=抽.drop(columns=[雜訊])
X=抽.T.fillna(-3)[1:].T
y=抽.分配判決金額>sum(抽.分配判決金額)/len(抽.分配判決金額)
hi=[0,''];前趨勢=[]
for i in range(100):
tX,qX,ty,qy=train_test_split(X,y,test_size=0.3)
model=tree.DecisionTreeClassifier(splitter='best',max_depth=3)
model.fit(tX,ty)
吻=model.score(qX,qy)
前趨勢+=[吻]
if 吻>hi[0]:hi=[吻,tree.export_graphviz(model,feature_names=抽.keys()[1:],class_names=["沒超過平均", "超過平均"],filled=True,rounded=True,max_depth=2)]
print('釋憲前最高吻合率為:',hi[0],'\n\n圖22、釋憲前決策樹訓練模型');graphviz.Source(hi[1])
釋憲前最高吻合率為: 0.9655172413793104 圖22、釋憲前決策樹訓練模型
如圖22所示,決策樹模型於釋憲前首要考量為性交次數,若無性交則接續會考量逾越期間;若有性交,則接續會考慮性交次數是否大於2次,此時量定金額會超過平均數。
抽=後
for 雜訊 in '被告姓名稱呼 案號 各地法院 判決時間'.split():抽=抽.drop(columns=[雜訊])
X=抽.T.fillna(-3)[1:].T
y=抽.分配判決金額>sum(抽.分配判決金額)/len(抽.分配判決金額)
hi=[0,''];後趨勢=[]
for i in range(100):
tX,qX,ty,qy=train_test_split(X,y,test_size=0.2)
model=tree.DecisionTreeClassifier(splitter='best',max_depth=3)
model.fit(tX,ty)
吻=model.score(qX,qy)
後趨勢+=[吻]
if 吻>hi[0]:hi=[吻,tree.export_graphviz(model,feature_names=抽.keys()[1:],class_names=["沒超過平均", "超過平均"],filled=True,rounded=True,max_depth=2)]
print('釋憲後最高吻合率為:',hi[0],'\n\n圖23、釋憲後決策樹訓練模型');graphviz.Source(hi[1])
釋憲後最高吻合率為: 0.9 圖23、釋憲後決策樹訓練模型
如圖23所示,決策樹模型於釋憲後首要考量為性交次數,若無性交則接續會考量逾越期間;若有性交,則接續會考慮被告學歷,此時量定金額會超過平均數。
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,3);fig.set_dpi(150);表=[]
fig.suptitle('圖24、決策樹隨機森林趨勢圖')
左.plot(range(100),sorted(前趨勢));
右.plot(range(100),sorted(後趨勢));
左.set_title("釋憲前")
右.set_title("釋憲後");
fig,(左,右)=plt.subplots(1,2);fig.set_size_inches(9,4);fig.set_dpi(150);D={左:前,右:後}
fig.suptitle('圖25、隨機森林各因素平均貢獻度')
for 向 in 左,右:
抽=D[向];行=[]
for 雜訊 in '被告姓名稱呼 案號 各地法院 判決時間'.split():抽=抽.drop(columns=[雜訊])
X=抽.T.fillna(9999)[1:].T
y=抽.分配判決金額>sum(抽.分配判決金額)/len(抽.分配判決金額)
classifier = tree.DecisionTreeClassifier(max_depth=4)
classifier = classifier.fit(X,y)
fig=plt.figure(figsize=(20,10));
tr=tree.plot_tree(classifier,feature_names=抽.keys()[1:],class_names=["沒超過平均", "超過平均"],filled=True,fontsize=5,rounded=True,ax=圖);
for x in 抽.keys()[1:]:
gini=[]
for t in tr:
if x in str(t):gini+=[ft(t,'gini = ')*ft(t,'samples = ')/len(抽)]
行+=[sum(gini)/len(gini)if len(gini)>0 else 0]
向.barh(抽.keys()[1:],行)
左.set_title("釋憲前")
右.set_title("釋憲後");
<Figure size 1440x720 with 0 Axes>
<Figure size 1440x720 with 0 Axes>
如圖24、圖25所示,決策樹之隨機森林,釋憲前性交次數為重要之影響因素,釋憲後,性交次數、被告學歷、第三者性別為重要之影響因素。
性交次數為影響慰撫金判斷之重要因素。綜合多元迴歸分析、迴歸樹與決策樹分析,性交次數均能有效預測慰撫金之量定金額,於釋憲前,可能因刑附民之關係,使法官在審酌民事請求時,多會參酌刑事判決之結果,因此性交次數為重要因素;釋憲後,雖通姦除罪化,惟法院仍將性交次數認定為重要因素,或許是因為性交為通姦是否成立之要件,而法官於通姦除罪化後,仍將「通姦罪成立」之重要要件作爲量定金額之重要因素,此結果可以支持最初所說的第一種見解,亦即通姦除罪化後,法院應提高量定金額。
另外,於多元迴歸分析與決策樹隨機森林分析中可以發現性別因素於釋憲後似乎扮演重要角色,性別因素於釋憲前從未出現,或許是因為原告性別多為女性,法官考量女性因結構性不平等、社會分工差異或單純對女性之刻板印象使然,而釋憲後失去刑事手段救濟,因而釋憲後法官於原告為女性時,傾向提高量定金額。
最後,本報告認為法院應參酌婚姻破綻去量定慰撫金。婚姻破綻於各個統計分析中大多無法有效預測慰撫金,從判決事實觀之,常常主張婚姻破綻之被告,並不一定是罪大惡極、拋家棄子之人,可能因小孩、長輩之壓力而沒有離婚,但婚姻早已出現裂痕,雖然婚姻破綻無法阻止侵權之成立,但應成為法官量定慰撫金之因素,以符合釋字791號解釋保障人民性自主權之意旨。